宇樹科技正在成爲近期 A 股市場最受關注的科技公司之一。
10 月 26 日，宇樹科技（688836.SH）股價繼續大漲，早盤一度上漲超過 9%，最高觸及 682 元/股。截至午間收盤，股價報 674.01 元，總市值達到 2726 億元。此前的 10 月 23 日，宇樹科技剛剛錄得 20% 漲停。自 10 月 16 日以來，七個交易日累計漲幅超過 60%。
市場熱情背後，是人形機器人技術進步預期的不斷升溫。10 月 21 日，宇樹科技發佈 H2-X 人形機器人，展示了高臺跳躍、前滾翻等複雜動作。次日，宇樹創始人王興興在世界物理 AI 大會上表示，隨着大模型能力持續提升，物理 AI 已經出現取得關鍵突破的苗頭。
就在宇樹股價持續上漲之際，野村證券於 10 月 25 日發佈最新全球機器人研報，提出了一個看似反直覺的判斷：隨着機器人運動控制算法越來越容易訓練，真正決定行業競爭格局的，可能不再是運動軟件，而是硬件一致性和規模化製造能力。
這一判斷來自加州大學伯克利分校最新發表的 SuperMimic 研究。該技術使人形機器人全身運動控制器的訓練計算量下降超過 1,000 倍。過去需要 128 塊 GPU 連續運行一週才能完成的任務，如今僅需一塊 H100 GPU、三小時訓練，就能取得更好的基準測試成績。
研究團隊還將這一控制器部署在真實的宇樹 G1 人形機器人上，成功完成包括側滾翻、空翻在內的複雜動作。
這意味着，過去需要龐大算力投入才能獲得的機器人運動能力，正在變得越來越廉價。
不過，野村認爲，這未必意味着領先機器人企業的競爭優勢將隨之消失。相反，當更多企業能夠訓練出優秀的運動控制算法，另一種能力可能變得更加稀缺：能否以足夠低的成本，批量製造出性能穩定、硬件參數高度一致的人形機器人。
根據野村的行業調研，中國已有約 300 家企業能夠交付某項關鍵運動控制功能。宇樹過去在硬件和運動控制方面領先行業一至兩年的優勢，可能正在收窄。但其在硬件成本、供應鏈以及量產經驗方面的積累，仍然是難以迅速複製的競爭壁壘。
對於近期股價持續走強的宇樹而言，野村這份研報提供了一個值得關注的投資視角：機器人行業的下一階段競爭，可能不再是誰能讓機器人做出最複雜的動作，而是誰能把這些動作穩定地複製到成千上萬臺低成本產品上。
一塊 GPU 頂過去一個集羣，機器人訓練成本下降千倍
10 月 20 日，加州大學伯克利分校研究團隊發佈論文(SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model)。該論文已被機器人學習會議 CoRL 2026 接收，作者包括知名機器人學者 Pieter Abbeel 和 Koushil Sreenath。
研究聚焦於人形機器人領域的一個核心難題：如何讓機器人掌握大量不同的身體動作，同時避免訓練成本隨着動作數量增加而急劇上升。
傳統人形機器人運動控制訓練通常依賴強化學習。研究人員首先在物理模擬器中建立機器人模型，再讓機器人反覆嘗試不同動作，通過大量試錯逐漸學會行走、奔跑、跳舞及空翻。
這種方法雖然有效，但需要消耗大量計算資源。隨着訓練動作數量增加，模擬器需要執行更多運算，訓練成本隨之上升。
以現有運動控制系統 SONIC 爲例，其訓練過程使用了 128 塊 GPU，持續約七天，總計消耗約 21,000 GPU 小時。
SuperMimic 則改變了機器人的訓練方式。
研究人員不再讓機器人完全依賴物理模擬器進行反覆試錯，而是首先訓練一個描述機器人自身物理運動規律的模型，再讓運動控制器在這個模型內部進行學習。
這一模型能夠預測機器人採取不同動作後，身體會如何運動，因此可以替代大量傳統物理模擬過程。
實驗結果顯示，SuperMimic 在單塊 H100 GPU 上訓練三小時後，其運動跟蹤表現便超過了 SONIC 已發佈的模型。在包含 129,514 個動作的基準測試中，SuperMimic 僅有 25 個動作失敗，而 SONIC 的失敗數量達到 179 個。進一步使用兩塊 GPU 訓練 9.8 小時後，SuperMimic 在這一測試集上的失敗數量降至零。
這意味着，相比過去需要數萬 GPU 小時的訓練流程，新方法僅需數個至數十個 GPU 小時，就能獲得具有競爭力的運動控制效果。
野村認爲，這是迄今爲止最清晰的證據之一，表明人形機器人全身運動控制的訓練正在變得廉價。更重要的是，這項技術已經從模擬環境進入真實機器人。
研究團隊將訓練完成的控制器部署到了宇樹 G1 人形機器人上，成功實現側滾翻、360 度空翻等複雜動作。這說明，通過新方法在模擬環境中訓練的運動控制策略，至少在實驗所展示的動作範圍內，能夠遷移到真實硬件上運行。
對於機器人行業而言，這種效率提升可能改變運動控制技術的開發門檻。過去只有擁有大量 GPU 資源和專業算法團隊的企業才能承擔的訓練任務，未來可能被更多規模較小的團隊完成。
爲什麼訓練效率能提高千倍？
SuperMimic 的關鍵突破，並不是增加訓練數據，而是改變機器人學習動作的方式。
野村指出，由於人形機器人執行不同動作時，使用的是同一套身體結構，因此不必針對每一個動作都重新學習完整的物理規律。
研究團隊利用這一特點，建立了一個可供大量動作共享的機器人身體模型。無論機器人是在行走、跳舞還是翻滾，控制器都可以在這個模型內部學習如何調整關節，從而減少對傳統物理模擬的依賴。根據論文，SuperMimic 的效率提升主要來自三個方面。
首先是運行速度。在典型批量規模下，習得的世界模型運行速度比傳統物理模擬器快超過 10 倍；在最大測試批量規模下，速度提升最高達到 62 倍。
其次是訓練方式。傳統強化學習依賴大量隨機試錯，機器人需要不斷嘗試不同動作，再根據反饋調整控制策略。
SuperMimic 使用的世界模型具有可微分特性，可以爲控制器提供更加直接的梯度信息，幫助其判斷應當如何調整動作，而不必完全依賴隨機探索。僅這一改變，就將所需訓練步數降低了約 64 倍。
最後是規模擴展能力。當訓練動作數據從 1 小時增加到 264 小時時，世界模型的預測誤差仍保持相對穩定。這意味着，即使機器人需要掌握的動作越來越多，訓練計算量也不必同比例增加。
三種效率改進疊加，使 SuperMimic 實現了超過 1,000 倍的 GPU 小時降幅。
不過，野村也強調，SuperMimic 和 SONIC 的訓練條件並不完全一致。前者使用的動作數據量少約 2.3 倍，同時採用了更新型號的 GPU，因此不能將全部算力差距簡單歸因於算法改進。論文作者認爲，這些因素仍不足以解釋如此巨大的計算效率差異。
此外，SuperMimic 也並不意味着人形機器人已經具備了通用智能。
目前研究主要覆蓋平地上的身體動作，不涉及複雜地形或物體操作。世界模型完全使用模擬器數據進行訓練，而非真實世界中的物理交互數據。
大規模基準測試中的動作也屬於訓練動作，因此測試集上的零失敗，並不代表機器人已經能夠應對所有未知動作和複雜環境。
野村將其定義爲機器人「小腦」層面的進展，即負責身體運動與平衡的控制能力取得突破，而不是負責複雜任務理解、規劃和推理的「大腦」，也不是負責精細操作的「雙手」。
換句話說，SuperMimic 大幅降低的是讓機器人學會運動的計算成本，而不是解決了機器人自主完成實際工作所需的全部技術問題。
野村：宇樹的真正優勢，可能不再是運動算法
相比 SuperMimic 本身的技術突破，野村更關注其對機器人產業競爭格局的影響。
過去，運動控制算法是人形機器人廠商的重要競爭壁壘。能夠讓機器人穩定行走、跳躍、奔跑甚至完成高難度特技動作，往往需要長期算法研發、大規模計算資源和反覆的工程調試。
但 SuperMimic 表明，這一壁壘可能正在降低。如果過去需要龐大 GPU 集羣才能完成的運動控制訓練，如今可以通過一塊 GPU 實現，那麼越來越多企業就有機會獲得性能較高的運動控制系統。
根據野村的行業調研，中國已有約 300 家企業能夠交付某項關鍵運動控制功能。報告認爲，宇樹在硬件與運動控制領域一至兩年的領先優勢可能正在收窄，而 SuperMimic 等技術進展將進一步降低運動算法的開發門檻。
不過，野村並未因此認爲宇樹將失去競爭優勢。恰恰相反，隨着運動控制軟件逐漸變得容易獲得，宇樹在硬件製造方面的積累可能變得更加重要。
問題在於，一套算法能夠讓一臺機器人完成複雜動作，並不意味着它能夠在上千臺機器人上穩定運行。人形機器人通常擁有二十多個關節，每個關節都涉及執行器、傳動結構、傳感器以及精確的運動學標定。即使兩臺機器人採用完全相同的設計，實際生產過程中也可能存在細微差異。
例如，不同設備的關節零點、尺寸公差和傳動性能可能有所不同。當這些誤差分佈在二十多個關節上時，整臺機器人的運動表現就可能出現偏差。
野村指出，SuperMimic 在模擬環境中使用的機器人模型，其關節標定偏差僅爲 ±0.01 弧度。這種對硬件參數一致性的要求，凸顯了機器人從實驗室走向規模化製造時面臨的挑戰。假設一家企業開發出能夠讓機器人完成空翻的優秀控制器，但由於批量生產的機器人之間存在硬件差異，這套控制器只能穩定運行在少數幾臺設備上，那麼企業仍需要投入大量時間進行逐臺標定、調試甚至重新訓練。
在這種情況下，即使算法本身的訓練成本大幅下降，硬件不一致帶來的部署與維護成本仍然可能很高。野村認爲，能夠解決這一問題的關鍵，是長期積累的硬件設計、供應鏈管理、質量控制和規模化製造經驗。這些能力很難通過購買 GPU 或復現一篇論文，在短時間內獲得。這也是野村認爲宇樹相對於部分自建硬件的機器人模型公司，仍然具有競爭優勢的重要原因。
隨着運動軟件訓練成本不斷下降，機器人行業的競爭可能從過去的算法能力，逐漸轉向硬件精度、產品一致性、成本控制以及規模化交付。
執行器佔成本最高 75%，誰將受益？
硬件一致性的重要性，也意味着機器人產業鏈的價值分配可能發生變化。
野村估算，執行器約佔人形機器人零部件成本的 50% 至 75%，是整機硬件成本的重要組成部分。執行器負責將控制指令轉化爲實際的關節運動，其精度、響應速度、穩定性和製造一致性，直接影響機器人執行復雜動作的能力。
隨着運動控制算法越來越容易獲得，整機廠商之間的軟件能力差異可能縮小，而執行器等核心硬件的製造質量與成本優勢可能更加突出。
這意味着，具備高精度執行器製造能力、穩定供應鏈和嚴格質量控制體系的零部件企業，可能成爲機器人行業發展的重要受益者。
對整機企業而言，未來競爭的關鍵也可能不再是單臺機器人能否完成某項高難度動作，而是能否在控制成本的同時，讓大批量產品保持一致的性能。
野村由此認爲，未來具備高水平硬件一致性控制能力的機器人公司及關鍵供應商，可能比單純依靠運動控制軟件的企業更有優勢。
對於宇樹而言，這一判斷具有重要意義。隨着運動算法開發成本不斷下降，宇樹過去依靠運動控制能力建立的領先地位，可能面臨更多競爭者的追趕。但其在硬件設計、成本控制與規模化製造方面的積累，也可能成爲下一階段更難被複制的競爭壁壘。
需要注意的是，SuperMimic 證明了特定全身運動控制任務的訓練計算效率可以大幅提高，並不意味着機器人運動軟件會立即完全標準化。真實環境部署、系統集成、安全控制及產品可靠性仍需要持續的工程投入。
因此，野村的判斷更接近對未來競爭方向的推演，而不是認爲運動控制軟件已經失去商業價值。
股價 7 天漲超 60%，宇樹接下來需要證明什麼？
回到資本市場，宇樹近期的股價表現顯示，投資者正在重新評估人形機器人行業的技術進展與商業化前景。
10 月 21 日，宇樹發佈 H2-X 人形機器人，展示更加複雜的動態運動能力。10 月 22 日，王興興在世界物理 AI 大會上表達了對物理 AI 技術突破的積極預期。
隨後，宇樹在 10 月 23 日錄得 20% 漲停，10 月 26 日早盤繼續上漲超過 9%。截至午間收盤，總市值已達到 2726 億元。
但值得注意的是，機器人運動控制技術進步，並不必然意味着整機廠商的盈利能力同步提高。SuperMimic 所揭示的效率提升，可能讓更多公司以較低成本進入運動控制領域，進而提高市場競爭強度。只有能夠將技術優勢轉化爲產品性能、成本優勢以及規模化交付能力的企業，纔有機會進一步建立可持續的商業壁壘。
對於近期股價快速上漲的宇樹而言，這種區分尤其重要。
10 月 20 日晚間，宇樹曾發佈股票交易異常波動公告。公司表示，截至當日，其滾動市盈率達到 388.25 倍，顯著高於所屬通用設備製造業 39.51 倍的平均水平。
公司同時提示，人形機器人行業仍處於商業化早期，技術成熟度、下游需求以及產業鏈配套能力均存在不確定性。如果行業大規模商業化落地進度不及預期，未來營收增長及業績釋放可能受到影響。
因此，從投資角度來看，SuperMimic 所代表的技術變化至少提出了兩個需要持續觀察的問題。
首先，當人形機器人運動控制技術的訓練成本不斷下降，領先企業能否繼續保持差異化優勢？
其次，當越來越多企業掌握複雜運動能力，哪些廠商能夠依靠硬件一致性、供應鏈和量產經驗，將技術能力轉化爲穩定的商業回報？
野村給出的答案更傾向於後者。
當機器人學會行走、跳躍甚至空翻變得越來越便宜，真正難以複製的，可能不再是某一套運動控制算法，而是把這些能力穩定地裝進成千上萬臺機器人之中的製造體系。
對於宇樹而言，這可能正是其下一階段最值得關注的競爭優勢，也將是市場高估值需要持續驗證的核心問題。